Miniona bitwa · 2024-07-19 UTC
AI Agent Development Frameworks Pojedynek — 19 lipca 2024
Z kategorii AI Agent Development Frameworks. 22 ocen oddanych na 7 zawodników. kagent zdobył koronę.
Klasyfikacja końcowa
Zestawienie
Zawodnicy
Profile każdego narzędzia, które rywalizowało w tej bitwie, uszeregowane według ich wyniku końcowego.
kagent
Otwarte źródło frameworka umożliwiającego agentom AI automatyzację operacji Kubernetes.
Kagent umożliwia agentom AI automatyzację operacji Kubernetes. Pozwala na wdrożenie, obserwację i zarządzanie z wykorzystaniem znanych narzędzi Kubernetes. kagent przekształca agenty w pierwszorzędne obciążenia w Kubernetes, pozwalając im być wersjonowanymi jako Kubernetes Custom Resource Definitions (CRDs) i przeglądanych w pull requestach. Ta metoda umożliwia korzystanie ze znajdujących się już narzędzi Kubernetes do zarządzania agentami. Ramka jest otwartego kodu i zbudowana przez założycieli Istio. Obsługuje zróżnicowaną kompozycję języków i frameworków, w tym Go i Python, oraz umożliwia korzystanie z dowolnego dostawcy dużych modeli językowych (LLM). kagent zapewnia solidną ochronę przed nieuprawnionym dostępem i obsługuje wydarzenia w czasie rzeczywistym, w tym wyświetlanie śledztw OpenTelemetry, metryki Prometheus i strukturalne logi na podstawie zdarzeń. Ponadto rozwiązanie wspiera obsługę wielu środowisk, komunikację między agentami a agentami oraz załadowanie niezbędnej wiedzy z repozitoriów Git. Ogólnie, kagent oferuje potęgowe i elastyczne ramy do automatyzacji operacji Kubernetes przy użyciu agentów AI.
Podział kryteriów
- Podstawa agenta dla szybkiego uruchamiania i efektywnego wykorzystania zasobów
- Gotowość do zerowego zaufania z mTLS i szczegółowymi uprawnieniami RBAC
- Trwała pamięć wektorowa dla długoterminowej pamięci
- Brama zatwierdzania narzędzia z udziałem człowieka i pytania zainicjowane przez agenta
- Delegacja agent-to-agent (A2A) dla komponowania przepływów pracy z wieloma agentami
BabyCatAGI
Lekki framework autonomicznych agentów AI do usprawnionej automatyzacji zadań
BabyCatAGI to uproszczona, zmodyfikowana wersja BabyAGI zaprojektowana do obsługi złożonych zadań poprzez autonomiczne agentów AI. Rozbija wysokopoziomowe cele na zarządzalne podzadania, wykonuje je kolejno i dostosowuje plan na podstawie pośrednich wyników, co czyni go odpowiednim do badań, generowania treści i rozwiązywania problemów wieloetapowych. Framework priorytetuje minimalny kod i czytelność, dzięki czemu jest dostępny dla deweloperów, którzy chcą eksperymentować z agenticznym AI bez obciążenia większymi bibliotekami orkiestracji. Integruje się z modelami językowymi i narzędziami wyszukiwania w sieci, aby gromadzić kontekst, rozumować i generować uporządkowane wyniki. Jako otwarty projekt eksperymentalny, BabyCatAGI najlepiej nadaje się do prototypowania przepływów agentów, nauki działania autonomicznych systemów zorientowanych na zadania oraz dostosowywania pipeline'ów do konkretnych potrzeb automatyzacji.
Podział kryteriów
- Tworzenie listy zadań i ich priorytetyzacja
- Autonomiczna realizacja podzadań
- Integracja z wyszukiwaniem internetowym w celu uzyskania kontekstu
- Kolejny przebieg rozumowania
- Lekka implementacja w Pythonie
- Możliwość dostosowania celów i promptów
MCP‑Use
Otwarte źródło platformy do łączenia modeli językowych (LLM) z serwerami MCP i budowania niestandardowych agentów AI z dostępem do narzędzi.
MCP‑Use to otwarta platforma pozwalająca łączyć modele języka wielkiej mocy (LLM) z serwerami MCP oraz umożliwiająca tworzenie indywidualnych agentów AI, które mogą współpracować z takimi modelami LLM. Platforma zapewnia pełną stackiem architekturę MCP (SDK MCP-use), umożliwiającą budowę aplikacji ChatGPT, połączeń z Claue oraz serwerów MCP. Z użyciem MCP developerszowie mogą wykorzystać jedną bazę kodu do wdrożenia swoich aplikacji na różnych powierzchniach, na których użytkownicy i agenci aktualnie pracują, w tym ChatGPT, Claude, i Gemini. Platforma oferuje szeroką gamę narzędzi oraz funkcji, takich jak możliwość zdefiniowania MCP aplikacji w jednym poleceniu, automatyczną deploymencję do Manufact Cloud, a także wbudowane analizy i widoczność. Programiści mogą wykorzystywać SDK mcp-use, aby budować i wdrażać serwery MCP oraz aplikacje bez potrzeby dodatkowych narzędzi. Platforma oferuje także Visual Inspector oraz możliwości testowania w ramach Sandbox, pozwalając programistom na testowanie aplikacji bez niezbędności wdrożenia LLM w trybie produkcyjnym. mcp-use ma na celu uproszczenie rozwoju i wdrażania aplikacji opartych na MCP, czyni to atrakcyjnym wyborem dla developerów szukających budowy i wdrożenia niestandardowych agentów i aplikacji AI.
Podział kryteriów
- Zarządzanie serwerem MCP
- Połączenie i integracja z LLM
- Rozwój niestandardowych agentów AI
- Automatyczne wdrożenie i skalowalność
- Visual Inspector i testowanie w Sandbox
- Wbudowane analityki i obserwowalność
Claude MCP Agents
Agenci AI zbudowani na MCP Anthropic, zapewniający płynną integrację narzędzi i danych.
Agenci Claude MCP to agenci AI, którzy wykorzystują Model Context Protocol (MCP) od Anthropic do łączenia się z szerokim zakresem zewnętrznych źródeł danych, API i narzędzi deweloperskich. Standardyzując sposób przepływu kontekstu między Claude a systemami zewnętrznymi, agenci ci mogą czytać pliki, zapytania baz danych, wywoływać usługi i reagować na informacje w czasie rzeczywistym bez dedykowanych integracji dla każdego źródła. Podejście to skierowane jest do programistów i zespołów tworzących automatyzację, asystentów badawczych oraz agenty workflow wymagające niezawodnego dostępu do danych firmowych lub prywatnych. Otwarte specyfikacje MCP oznaczają, że ten sam agent może podłączać się do nowych narzędzi, gdy pojawiają się nowe łączniki, co zmniejsza ryzyko zamknięcia i nakładów na integrację.
Podział kryteriów
- Integracja Model Context Protocol
- Łączy z plikami, API i bazami danych
- Rozszerzalny poprzez niestandardowe serwery MCP
- Obsługuje agentowe, wielokrokowe przepływy pracy
- Zgodny z rodziną modeli Claude
- Otwarte standardy interoperacyjności
Gemma 3
Otwartoźródłowy model AI zoptymalizowany pod wydajność na pojedynczym GPU, obsługujący multimodalne wejścia i ponad 140 języków.
Gemma 3 to zbiór lekkich, najnowocześniejszych modeli otwartoźródłowych przeznaczonych do działania na urządzeniach, szczególnie zoptymalizowanych pod wydajność na pojedynczym GPU. Obsługuje multimodalne wejścia oraz ponad 140 języków. Model dostępny jest w różnych rozmiarach (1 B, 4 B, 12 B i 27 B), co pozwala deweloperom wybrać najbardziej odpowiedni pod kątem sprzętu i wymagań wydajnościowych. Gemma 3 oferuje zaawansowane możliwości rozumowania tekstowego i wizualnego, okno kontekstowe o wielkości 128 k tokenów oraz funkcję wywoływania funkcji (function calling) do realizacji złożonych zadań. Dostępne są także wersje kwantowane, zapewniające szybszą wydajność i mniejsze zapotrzebowanie na zasoby obliczeniowe. Model jest częścią zobowiązania Google do udostępniania przydatnej technologii AI i opiera się na tej samej badawczej podstawie oraz technologii, które napędzają modele Gemini 2.0. Gemma 3 została zaprojektowana, aby umożliwić deweloperom tworzenie aplikacji AI, które mogą działać bezpośrednio na urządzeniach takich jak smartfony, laptopy i stacje robocze. Gemma 3 dostarcza najnowocześniejszą wydajność w swojej klasie, przewyższając inne modele takie jak Llama3-405B, DeepSeek-V3 i o3-mini w wstępnych ocenach preferencji ludzkich. Umożliwia globalne zastosowania dzięki natywnej obsłudze ponad 35 języków oraz wstępnie wytrenowanej obsłudze ponad 140 języków. Model umożliwia tworzenie przepływów pracy napędzanych AI przy użyciu wywoływania funkcji i strukturalnego wyjścia. Rozwój Gemma 3 obejmował rygorystyczne protokoły bezpieczeństwa, takie jak rozbudowane zarządzanie danymi, dostosowanie do polityk bezpieczeństwa poprzez fine‑tuning oraz solidne oceny benchmarkowe. Rodzina otwartych modeli Gemma odnotowała znaczące przyjęcie, ponad 100 milionów pobrań i aktywną społeczność, która stworzyła ponad 60 000 wariantów Gemmy. Możliwości Gemma 3 sprawiają, że jest ona odpowiednia dla deweloperów chcących tworzyć angażujące doświadczenia użytkownika, które zmieszczą się na pojedynczym GPU lub hoście TPU.
Podział kryteriów
- wsparcie AI multimodalnego
- rozwój skoncentrowany na odpowiedzialności
- rozbudowany fine‑tuning
- obsługa 140 języków
- zwiększona wydajność
Agency Swarm
Otwarto‑źródłowy framework do orkiestracji agentów AI zaprojektowany, aby automatyzować i usprawniać procesy rozwoju AI poprzez współpracujące skupiska agentów.
Agency Swarm to otwarty framework źródłowy, który buduje się na SDK Agentów OpenAI i API Odpowiedzi. Ofera strukturę środowiska produkcyjnego do tworzenia aplikacji wieloagentowych. Główne cechy obejmują customizowalne role agentów, możliwość obsługi różnych backendów modeli (na przykład modeli rodziny GPT OpenAI, Anthropic, Google'a Gemini, Azure'iego OpenRouter oraz samodzielnie utworzonych LiteLLM narzędzi, które są włączane poprzez dekorator @function_tool (zalecane) lub przez Rozciąganie Obiektu BaseTool). Wiele korzyści architektury Agency Swarm jest w stanie zapewnić jej stabilność zarówno w środowiskach Python oraz Linux. Instalacja jest prosta za pomocą polecenia pip standardowego: pip install agency-swarm. Opisywanym narzędziem Agency Swarm jest narzędzie open-source, które buduje się na poziomie otwartego SDK Agentów OpenAI oraz API Reakcji. Agency Swarm to otwarta-source platforma AI, która pomaga programistom tworzyć aplikacje wieloagentowe i budować rzeczywiste aplikacje w oparciu o inteligencję artficialną. Cechy kluczowe: - Zautomatyzowane narzędzia CLI generowane automatycznie: Odkrywaj swoją aplikację REST API i uzyskaj łatwy dostęp do podstawowych usług, zwiększając produktywność. - Roli agentów dostosowalne: Zarządzaj prosto specyficznych funkcji i poziomów dostępu dla każdej roli agenta, zapewniając zwiększoną dostępność w Twojej aplikacji. - Całystka implementacja: Agency Swarm to tylko wersja dla Python. Jeśli jesteś na Linuksie, uważaj o tym jako pełną implementację bez żadnych ograniczeń spowodowanych przez standardową bibliotekę Pythona. Wady nie dotyczą. Zasoby: 1. Stabilność w środowiskach Python/Linux 2. Prosta integracja z Twoją aplikacją 3. Przystępne narzędzia kompozycyjne CLI 4. Ról agenta według Twoich potrzeb Wykluczenia: 1. Ograniczenia w kompatybilności modeli językowych (osobiste chatbota: GPT-3, itp.) - N/A 2. Wymagania w zakresie środowiska programistycznego - N/A 3. Ograniczone wsparcie z tyłu modelu wstępnego - N/A 4. Podstawowy interfejs użytkownika - N/A 5. Zdolności uczenia się - N/A 6. Integracja cech - N/A 7. Proces dokumentacji - N/A 8. Potencjał uczenia maszynowego: - N/A 9. Zaawansowane zarządzanie przepływem dialogu - N/A 10. Aplikacje wielowarstwowe - N/A 11. Wykonanie równoległe - N/A 12. Dostęp do stanu aplikacji - N/A 13. Automatyczne wdrożenie - N/A 14. Zaawansowane wykonywanie zadań - N/A 15. Rodzaje agentów niestandardowych - N/A 16. Obsługa dużych modeli językowych - N/A 17. Działa w Pythonie ↻ - N/A 18. Pelny kontrol - N/A 19. Pomiary wydajności - N/A 20. Ofiarowanie lokalnych obszarów roboczych - N/A 21. Integracja z OpenALink: Framework rozwoju internetowego dla aplikacji Python 22. Współpracuj z agentami AI na projekcie 23. Interpretacja 24. Monitoring - N/A 25. Pełna integracja kodów źródłowych - N/A 26. Zgodność skalowalności - N/A 27. Niska oszczędność energii - N/A Wady: - niezrównoważony dostęp do źródeł danych. - wysoki ryzyko awarii systemu z powodu wysoce złożonego modelu obsługi wiadomości z użyciem LLM. - ograniczona integracja z innymi systemami za pomocą API lub SDK.
Podział kryteriów
- Ustawianie Niestandardowych Ról Agentów
- Pełna Kontrola nad Promptami/Danymi Wyjściowymi
- Nadzorowane Narzędzia do Rozwoju
- Orchestracja Komunikacji Pomiędzy Agentami
- Elastyczne Utrzymywanie Stanu
- Orchestracja Mniejszej Ilości Agentów
Mosaic AI Agent Framework
Zestaw narzędzi od Databricks do tworzenia, wdrażania i oceny wysokiej jakości agentów AI oraz aplikacji RAG.
Databricks Agent Framework (AAF) to zestaw narzędzi dostarczanych przez Databricks do tworzenia, wdrażania i zarządzania agentami AI. Ci agenci mogą łączyć się z dowolnym narzędziem, bazą danych lub aplikacją SaaS za pomocą jednego, zarządzanego protokołu (Model Context Protocol, MCP). Ramy pracy obejmują zintegrowane tworzenie, eksperymentowanie i wdrażanie do obliczeń bezserwerowych przy użyciu Databricks Apps bez konieczności zarządzania infrastrukturą. Agent Bricks i Unity Catalog są niezbędne dla zarządzania i bezpieczeństwa; stosuje się w nich predefiniowane zasady dotyczące modeli, narzędzi i połączeń, jednocześnie egzekwując limity stawiane, procedury awaryjne i inne zabezpieczenia wymagane do zapobiegania wstrzyknięciom promptów, wykrywania wrażliwych danych i filtrowania treści.
Podział kryteriów
- Agent Bricks
- Unity Catalog
- Databricks Apps
- Model Context Protocol (MCP)
- Centralne zarządzanie
- Kontrola per użytkownika